基于深度交叉分解的双通道电力负荷预测方法

本发明涉及电力能源，尤其涉及基于深度交叉分解的双通道电力负荷预测方法。

背景技术：

1、电力负荷预测是一项关键的能源管理技术，其核心目标是通过综合考虑历史用电数据、经济指标、天气状况等多个因素，预测未来某个时间段内的电力需求，这一技术有助于确保电力供需平衡、提高电力系统效率和稳定性。但是电力系统是一个高度动态、复杂的系统，其运行受到季节性、日变化、天气状况、工业活动等多种因素的影响。而且近年来，在国家“碳达峰”和“碳中和”目标下，能源结构在转型，可再生能源快速增长，这对电力负荷预测准确性提出了更高的要求。因此，有必要开发基于深度交叉分解的双通道电力负荷预测方法，通过准确预测电力需求来实现维持电网的平衡性和稳定性。

2、目前电力负荷预测方法涵盖了统计学、机器学习和深度学习等多种技术，但在现有技术中还存在如下问题：

3、1.时间序列分析是基于历史负荷数据的统计方法，但由于对影响因素的复杂关系考虑不足，如天气、季节、节假日等，会导致预测不准确；同时，由于对异常事件的敏感性，还会导致预测结果产生明显偏差；

4、2.回归分析是基于影响因素和负荷之间的关系，如天气数据、经济指标等。但回归模型常基于线性假设，难以捕捉复杂的非线性关系，而且由于影响因素之间可能存在多重共线性，将会使得模型的解释性和稳定性降低；

5、3.机器学习方法可以自动捕捉数据中的模式，但在训练数据过少或噪音过多的情况下，机器学习模型可能过拟合，导致在新数据上表现不佳；

6、4.深度神经网络会需要大量计算资源和时间，也不适合实时预测；

7、由于上述问题，均无法准确地实现电力负荷预测需求的目标。而且如果电力负荷预测不准确，会对经济效益、环境可持续性和用户体验等多方面造成不利影响，可能导致电力网络的不稳定，负荷波动可能引发频繁的电力峰值和负荷不平衡，从而增加电力系统的风险，例如：引发事故、损坏设备或造成停电等；还会使市场供需失衡，导致能源价格波动和市场不确定性增加；能源规划人员也会难以评估和确定未来的能源需求，从而影响电力系统的扩建、新能源投资和可再生能源整合等工作。

技术实现思路

1、本发明通过提供基于深度交叉分解的双通道电力负荷预测方法，目的在于使电力负荷预测不仅具有高效准确的预测精度，同时能够有效降低季节、天气等因素的影响，并且可以实时预测达到较高的稳定性，以便更好的维持电网的平衡性。

2、本发明技术方案具体如下：

3、基于深度交叉分解的双通道电力负荷预测方法，包括以下步骤：

4、步骤s1.通过电力设备进行数据采集，对获取的电力负荷数据进行预处理；

5、步骤s2.结合预处理后的电力负荷数据，构建基于季节和趋势-周期的双通道网络模型对数据进行分析；

6、步骤s3.根据移动平均算法将负荷输入序列数据快速分解为季节项和趋势-周期项子项，并对其分别构建对应神经网络专注于提取不同的特征信息，并进行深度交叉融合；

7、步骤s4.构建残差连接，在季节通道，季节项通过残差连接相加得到季节项二次分量，然后分离出季节项子项和趋势-周期项子项；

8、在趋势-周期通道，趋势-周期项通过残差连接和深度交叉融入季节通道的趋势-周期子项；

9、步骤s5.通过残差连接，将季节通道和趋势-周期通道的最终输出项相融合，输出电力负荷预测结果。

10、进一步，步骤s1具体包括：

11、根据电力负荷数据输入长度d和预测长度l，将电力负荷数据分成长度为(d+l)的电力序列数据集e；

12、进一步，步骤s2具体包括：

13、对电力序列数据集e中的负荷输入序列x进行填充，采用移动平均方法将负荷输入序列x分解为季节项s0和趋势-周期项t0，将季节项s0送入季节通道，趋势-周期项t0送入趋势-周期通道。

14、进一步，步骤s3具体包括：

15、在季节通道和趋势-周期通道分别构建对应神经网络，包括增强enlstm网络、增强engru网络、弱化wegru网络、弱化welstm网络，对季节项和趋势-周期项的特征维度进行转换。

16、进一步，还包括：

17、进行深度交叉融合，将季节通道中分离出的趋势-周期子项送到趋势-周期通道，同时融入从趋势-周期通道得到的季节子项；同理，将趋势-周期通道分离出的趋势-周期子项同时融入从季节通道得到的趋势-周期子项。

18、进一步，步骤s4具体包括：

19、通过建立的残差连接，在季节通道，季节项s1和季节项s2通过残差连接相加得到季节项二次分量s2’，分解为季节项s2s和趋势-周期项s2t；在趋势-周期通道，趋势-周期项t2通过残差连接融入趋势-周期项t1，通过深度交叉融入季节通道的趋势-周期项s2t，得到趋势-周期项t3；在季节通过不需要经过深度交叉融合，s2t即为s3；并根据构建的弱化welstm网络，对季节项和趋势-周期项的特征维度进行转换。

20、基于深度交叉分解的双通道电力负荷预测系统，包括以下内容：

21、数据获取模块、预处理模块、特征增强模块、深度交叉分解融合模块、特征弱化模块、负荷预测模块；

22、所述数据获取模块，通过电力设备进行数据采集获得电力负荷数据信息，将数据信息传递至预处理模块；

23、所述预处理模块，用于对获取的电力负荷数据进行预处理构造电力序列数据集，传递至特征增强模块；将输入的序列分解为季节项和趋势-周期项，进入季节通道和趋势-周期通道分别进行处理；

24、所述特征增强模块，用于增强神经网络对所得到的电力负荷数据信息的特征表示能力，使网络准确捕捉到输入的电力序列数据中的重要特征，将所述特征增强模块处理后的数据信息传递至序列分解模块；所述特征增强模块包括特征增强lstm网络单元、特征增强gru网络单元；

25、所述特征增强lstm网络单元，通过增加网络深度将输入的电力序列数据的长度进行转换，将所述特征增强lstm网络单元处理后的数据传递至一级序列分解单元；

26、所述特征增强gru网络单元，根据一级序列分解单元处理后得到的季节项s1和趋势-周期项t1对长度进行转换，将所述特征增强gru网络单元处理后的数据传递至二级序列分解单元；

27、所述深度交叉分解融合模块，将所述季节通道中分离出的趋势-周期分量送到趋势-周期通道，同时融入从所述趋势-周期通道得到的季节分量；所述深度交叉分解融合模块包括一级序列分解单元、二级序列分解单元、三级序列分解单元；

28、所述一级序列分解单元，将所述特征增强lstm网络单元得到的数据进行分解处理得到季节项s1和趋势-周期项t1，传递至所述特征增强gru网络单元；

29、所述二级序列分解单元，将所述特征增强gru网络单元得到的数据进行分解处理得到季节项s2和趋势-周期项t2，传递至所述特征弱化gru网络单元；

30、所述三级序列分解单元，将所述特征弱化gru网络单元得到的数据进行分解处理得到季节项s3和趋势-周期项t3，传递至特征弱化lstm网络单元；

31、所述特征弱化模块，用于弱化数据特征的表示能力来降低对方法的影响，将所述特征增强模块处理后的数据信息传递至序列分解模块；所述特征弱化模块包括特征弱化gru网络单元、特征弱化lstm网络单元；

32、所述特征弱化gru网络单元，根据二级序列分解单元处理后得到的季节项s2和趋势-周期项t2对长度进行转换，将所述特征弱化gru网络单元处理后的数据传递至三级序列分解单元；

33、所述特征弱化lstm网络单元，根据三级序列分解单元处理后得到的季节项s3和趋势-周期项t3对长度进行转换，将所述特征弱化lstm网络单元处理后的数据传递至负荷预测模块；

34、所述负荷预测模块，用于对获得的特征数据信息进行处理输出预测结果，完成电力负荷预测。有益效果：

35、1.本发明为了提取在电力数据中的复杂时间模式中的长期相关性，构建了一个更简单有效的基于季节和趋势-周期的双通道网络模型，通过建立季节性和趋势-周期性两个通道，模型能够更好地捕捉数据中的长期趋势和周期性模式，同时易于实现和操作，能够在较短的时间内进行训练和预测，有助于分析和预测时间序列数据中的潜在趋势和周期性变化，提高模型的长期预测能力，为电力负荷预测的准确性作保障。

36、2.本发明通过移动平均算法将原始时间序列快速分解为季节项和趋势-周期项分量，可以更好地捕捉这些重复的季节性变化、长期趋势和周期性变化；并对其分别构建神经网络专注于提取不同粒度的特征信息，以更好地利用数据中的不同特征，提高模型对不同时间尺度和变化模式的预测能力，进一步提高了电力负荷预测性能。

37、3.本发明设计了深度交叉分解融合模块，将季节通道中分离出的趋势-周期分量送到趋势-周期通道，同时融入从趋势-周期通道得到的季节分量，可以帮助不同通道之间的信息相互交流和互补，使得趋势-周期分量和季节分量能够更好地捕捉和表示时间序列中的不同变化模式和特征，更全面地考虑时间序列中的趋势、周期和季节性变化；通过将不同通道的信息进行融合，模型可以更好地处理电力负荷数据中噪声、异常值和缺失数据等问题，提高模型对于不同时间序列数据的适应能力和泛化能力。通过深度交叉分解融合，有效提高了数据分解的准确性，从而进一步提高了模型对电力负荷的预测精度。

38、4.本发明通过构建残差连接，避免了梯度消失，提高了模型的泛化能力。这种设计使得网络更加灵活，能够更好地适应复杂的数据分布和建模任务，从而提高了模型的泛化能力；通过传递原始输入信息，残差连接还可以帮助网络学习更细粒度的特征，进一步提高了整个电力负荷预测模型的表达能力，以便更好的维持电网的平衡性。

39、5.本发明中提供的准确的电力负荷预测方法对于能源供应的稳定性、经济效益、环境可持续性和用户体验至关重要，是电力行业和能源管理的关键环节。准确的负荷预测可以帮助电力系统规划和调度能源供应，确保足够的电力生成以满足实际需求；并可以优化能源资源的利用，降低运营成本，避免能源的浪费；还可以推动可持续能源的整合和使用，减少对传统化石燃料的依赖，降低碳排放和环境污染，促进能源的可持续发展；还可以帮助用户做出合理的能源使用决策，例如：在高峰时段减少耗能、参与能源调节和峰谷电价等节能措施，从而降低能源消费成本。因此，通过本发明可以提高电力负荷预测准确性，优化能源系统的运行和效率，实现可持续的能源发展目标。